高光譜成像的紅提總酸與硬度的預測及其分布可視化

高 升，徐建華

（1.青島理工大學信息與控制工程學院，山東 青島 266520；2.中國民航大學空中交通管理學院，天津 300300）

葡萄是世界四大水果之一，紅提葡萄又名紅地球葡萄，原產于美國，是美國加利福尼亞州立大學研究人員通過雜交實驗培育而成的一個葡萄品種，自1986年引入我國以來，在我國廣泛種植[1]。紅提因含有較豐富的維生素、礦物質、氨基酸等，成為我國鮮食葡萄的主要品種之一[2]。紅提果實飽滿、鮮食可口、營養價值高，深受人們的喜愛[3]。隨著消費者購買能力的提升，紅提的內部品質成為決定銷售的決定性因素，直接影響商品的價值。總酸和硬度一直是反映水果成熟度的重要指標[4-5]。總酸是水果的重要品質之一，決定了果實的風味，是消費者進行購買時的重要參考，也是反映水果成熟狀態的重要指標[5-6]。總酸含量是葡萄品質和風味形成的關鍵物質，同時也影響葡萄酒的結構性和清爽性，此外，葡萄酒中的果香也是由葡萄內部的酸在發酵過程中參與酯化反應而產生[7]。水果的硬度是判斷其成熟狀態和腐爛程度的一個重要指標，它決定了水果的耐貯性和成熟度[8]，采后紅提果實質地不斷發生變化，內部組織變軟，風味變差，特別是在長距離運輸過程中，擠壓易造成果粒機械損傷，嚴重影響紅提的感官性能、品質和商品價值[9-10]。因此檢測紅提的總酸和硬度具有重要意義。傳統檢測紅提總酸和硬度方法主要是進行破壞性生化實驗，且存在檢測時間長、步驟繁瑣、只能進行抽樣檢測等弊端[11-12]，因此，利用高光譜成像技術實現對紅提硬度和總酸的快速、無損檢測，同時利用無損檢測技術，準確掌握生長期水果總酸和硬度指標及分布規律，將對果園合理管理、果實成熟預測、果實最佳采摘期、產量預測及成熟后果實的質量檢測具有重要的意義[8]。

高光譜成像技術結合了機器視覺技術和光譜檢測分析的優點，能夠同時獲取樣本的圖像信息和光譜信息[13-15]。具有操作步驟簡單、檢測速度快速、檢測準確性高、無損環保的優點，已成功應用于水果和蔬菜等品質的分析與檢測[16-18]。Baiano等[19]利用高光譜成像技術采集Italia、Baresana、Pizzutello、Red Globe、Michele Palieri、Crimson Seedless和Thompson Seedless七個葡萄品種的數據，分析并建立了葡萄的pH值、可溶性固形物和總酸的偏最小二乘回歸（partial least square regression，PLSR）模型，證明光譜信息可以較好地表征每個理化指標的可行性。Nogales-Bueno等[20]利用近紅外高光譜成像技術建立紅葡萄和白葡萄的總酚含量、糖度、總酸和pH值的PLSR模型，實現了對總酚含量、糖度、總酸和pH值的無損檢測。許鋒等[21]利用光譜儀（400～1000 nm）運用競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）對預處理過的光譜進行特征波長篩選，最終構建隨機森林預測模型，糖度和總酸的預測集相關系數（Rp）分別為0.9568和0.9405；預測均方根誤差（root mean square error of prediction，RMSEP）分別為0.3185和0.3112，實現了對紅提內部的糖度和總酸含量進行定量預測。Dong Jinlei等[11]利用高光譜成像技術結合連續投影法和無信息變量消除法，對蘋果的可溶性固形物、硬度、水分和pH值進行預測研究。Leiva-Valenzuela等[22]使用高光譜成像技術采集在500～1000 nm波段范圍內藍莓高光譜圖像，建立了硬度和可溶性固形物的偏最小二乘預測模型。Fan Shuxiang等[23]利用高光譜成像技術采集梨的反射圖像信息并提取感興趣區域（region of interest，ROI）的平均光譜，對比分析利用連續投影算法（successive projections algorithm，SPA）、CARS等不同特征波長提取方法的建模效果，最終建立梨的可溶性固形物和硬度的最優PLSR預測模型。孫紅等[24]利用高光譜成像實現了對馬鈴薯葉片含水率進行檢測和可視化研究。陳遠哲等[25]采用高光譜成像技術實現了對出缸期皮蛋凝膠品質的含水率和彈性進行可視化檢測與不同品質預測。鄭濤等[26]利用高光譜成像技術實現了馬鈴薯葉片含量無損檢測以及葉綠素分布可視化表達。目前已有研究多集中于紅提采后貯藏期間內部品質的檢測，而對生長期紅提總酸和硬度的研究相對較少，且利用建立好的總酸和硬度模型實現生長期紅提的偽彩色圖像的可視化鮮見報道。

本實驗以生長期紅提為研究對象，利用高光譜結合紅提硬度和總酸進行研究，采集生長期紅提的高光譜信息，找出能夠表征紅提總酸和硬度最優波長組合，并建立光譜信息與紅提硬度和總酸的最優無損預測模型，進而實現生長期紅提硬度和總酸的可視化分析。

1 材料與方法

1.1 材料

紅提果粒樣本均處于生長期。在武漢小宛葡萄園選取10 棵紅提植株并編號用來研究紅提硬度和總酸的變化。由紅提開花時間確定實驗周期為從紅提開花后生長發育的第61天持續到第116天，每隔5 d進行1 次采樣，每次采集實驗樣本為10 串紅提，共采樣12 次，在每串的上部、中部、下部，各挑選2 粒（每串共6 粒紅提）大小相近的完整紅提果粒共720 個，各選取360 個紅提果粒作為紅提總酸和硬度的實驗樣本。為了保證實驗效果，樣本于實驗當天采摘，采摘后將紅提樣本進行編號，需將編號后的樣本立即放入溫度設置為（22±1）℃，相對濕度為65%的恒溫恒濕箱中保存12 h。

1.2 儀器與設備

TMS-PRO型高精度專業食品物性分析儀 美國FTC公司；HPX-25085H-III恒溫恒濕箱 上海新苗醫療器械制造有限公司。

Zolix Hyper SIS-VNIR-CL高光譜成像系統為美國海洋光學公司，該系統主要由高光譜成像光譜儀（芬蘭Spectral Imaging Ltd.公司）、CCD相機（日本Hamamatsu公司）、4 個50 W的鹵素燈（北京卓立漢光儀器有限公司）、1 臺絲桿式位移控制平臺（北京卓立漢光儀器有限公司）等主要部件組成（圖1）。該系統采集的光譜波長范圍為391～1043 nm（含有520 個波長），分辨率為2.8 nm，整個采集系統置于暗箱內。

圖1 高光譜圖像采集系統Fig.1 Schematic diagram of hyperspectral image acquisition system

1.3 方法

1.3.1 高光譜圖像采集與校正

高光譜成像系統的參數設置：相機曝光時間為0.15 s，平臺移動速率為1.7 mm/s，移動范圍0～245 mm，樣本平臺與鏡頭的距離420 mm。高光譜成像系統在實驗前應進行預熱，本實驗設定預熱時間為30 min。受暗電流及CCD相機芯片不穩定的影響，高光譜系統采集到的圖像會帶有一定噪聲，為保證實驗精度還需提取對高光譜圖像進行黑白校正。黑白校正過程如下：1）將標準白板（聚四氟乙烯長方形白板）放在圖像信息采集平臺上，獲得白板的圖像信息IW；2）蓋上相機蓋，獲得全黑圖像的圖像信息ID；3）將紅提樣本放在采集平臺上獲得原始高光譜漫反射圖像信息IR。

根據式（1）得到校正后樣本的圖像信息R[27]：

1.3.2 紅提硬度和總酸的測定

總酸測定：將通過擠壓裝置得到的果汁，參照GB/T 12456—2008《食品中總酸的測定》方法，按式（2）計算：

式中：c為NaOH標準溶液濃度/（mol/L）；V為樣品滴定時消耗NaOH溶液體積/mL；V0為空白實驗消耗的NaOH溶液體積/mL；K為換算系數（紅提中主要為酒石酸，K取0.075）；m為樣品質量/g。

硬度測定：將進行光譜檢測后的紅提樣品橫向放置在質構儀的實驗臺上，采用P100/R探頭，設置測前速率為2.0 mm/s，測試速率為1.0 mm/s，測后速率為2.0 mm/s，起始力設置為0.05 N，壓縮距離為8.0 mm，對紅提果粒進行橫向壓縮，壓縮部位為紅提的中部位置。在進行壓縮時，隨著位移的增大，果粒受到的壓力顯著增大，當壓縮到一定的位置時，果實在較大壓力下會出現脆斷，壓力迅速減小，實驗選取在整個壓縮過程中果粒所能承受的最大壓力作為評判果實硬度的指標。

1.4 數據處理

1.4.1 紅提單個果粒光譜數據提取

高光譜的數據采集在自制的帶孔載物平板上進行，因自制的載物平板上可以同時放置15 粒紅提果粒，需要分別對單粒圖像作為ROI進行分割，然后提取單粒紅提的光譜信息進行研究。在Matlab 2017a軟件上對高光譜圖像進行處理，選擇圖像中整粒紅提的圖像作為ROI，每粒紅提分3 種不同的放置模式（果柄側朝上、果柄側朝下，橫放）分別采集單粒紅提的3 次高光譜信息[12]，平均光譜為上述3 種放置模式獲得的數據進行平均，因之前研究已經表明平均光譜的效果明顯好于其他的放置模式，本研究直接提取感興趣區域的平均光譜作為原始光譜進行分析研究。分析時剔除因噪聲、外界光照等因素的影響，本實驗選取450～1000 nm（含有439 個波長點）的波長點進行建模。在進行感興趣區域提取時，由前期的研究結果可知[12]，背景與紅提果粒區域的反射率在726.6 nm處差值較大，因此選取726.6 nm處的灰度圖像進行果粒區域的提取，首先采用Otsu閾值分割方法獲得二值圖像，然后利用中值濾波和腐蝕運算，得到二值圖像并將該二值圖像作為掩膜模板對灰度圖像進行掩膜操作，最后依次將每個果粒分割出來，依次提取高光譜圖像中單個紅提果粒的平均光譜信息。

1.4.2 光譜數據預處理

因外界環境、儀器噪聲的影響，使采集的原始光譜包含較多的無用信息和噪聲，影響后期模型的建立和穩定性。選擇合理的光譜預處理方法可有效消除冗余信息，提高模型的穩定性和精度，因此，在進行建模前進行光譜預處理。本研究建模前先進行光譜預處理，能有效消除由于儀器噪音、暗電流等因素的影響，通常為了保證模型的準確性，本研究采用光譜預處理方法包括：標準正態變量變換（standard normal variable transformation，SNV）、卷積平滑處理法（savitzkygolay，SG）等，并針對不同的研究指標確定一種適合的光譜預處理方法。

1.4.3 特征波長提取

SPA[28]可以挑選出最少冗余信息的變量組，有效解決信息重疊和不共線的問題。

CARS[29]是一種基于蒙特卡羅采樣法對模型進行變量選擇的方法，利用PLS建模并去掉權重較小的變量，將交互驗證均方根誤差（root mean square error of cross validation，RMSECV）最小的變量集作為最終選定的最優變量子集。

無信息變量消除法（uniformative variable elimination，UVE）[30]的原理為在光譜中加入一個隨機矩陣，建立PLSR交互驗證模型，將回歸系數均值與標準差的商作為衡量指標，挑選出需要的光譜變量。

1.4.4 樣本集的劃分

KS（Kennard-Stone）算法，原理為把所有的樣本都看作訓練集候選樣本，依次從中挑選樣本進訓練集。首先選擇歐氏距離最遠的2 個樣本進入訓練集，其后通過計算剩下的每一個樣品到訓練集內每一個已知樣品的歐式距離，找到擁有最大最小距離的待選樣本放入訓練集，以此類推，直到達到所要求的樣本數目。該方法的優點是能保證訓練集中的樣本按照空間距離分布均勻。本實驗對樣本的總酸和硬度按照3∶1比例利用KS算法劃分為270 個校正集樣本，90 個預測集樣本。計算分析校正集和預測集樣本的最小值、最大值、平均值、標準差。

1.4.5 模型的建立與評價

高光譜圖像數據上每一個像素點都包含一條全波長的光譜反射率曲線，將每個像素點上的光譜數據代入到上述建立的PLSR模型中計算出相應像素點的總酸和硬度，并得到紅提果粒的灰度圖像；再利用Matlab 2017a軟件中偽彩色圖像處理的方法將不同總酸和硬度用不同的顏色表示，繪制紅提果粒的總酸和硬度的可視化分布，具體步驟如下：

1）采集紅提果粒的高光譜圖像信息，然后依次分割出單粒紅提果粒高光譜圖像信息并進行平均，獲得單粒果粒的光譜數據；2）利用光譜預處理、特征波長提取等方法分別建立紅提果粒的PLSR預測模型；3）提取相應特征波長圖像中每個像素的光譜反射率值；4）將高光譜圖像數據上每一個像素點所包含一條全波長的光譜反射率數據代入建立的PLSR模型，計算紅提果粒每個像素點的總酸和硬度值，得到紅提果粒的灰度圖像；5）對灰度圖像進行偽彩色處理，得到紅提果粒總酸和硬度可視化彩色分布。

2 結果與分析

2.1 生長期紅提總酸和硬度的變化及光譜特征

進行12 次實驗，記錄每次實驗測定的硬度、總酸數據，取平均值作為最終實驗數據，分別繪制樣本的內部品質參數隨時間的變化圖，如圖2所示。在紅提的整個生長期，總酸指標隨著紅提成熟而減小。總酸變化分為2 個階段，第1個階段持續25 d（從第61天至第81天），總酸極劇下降，第2階段總酸基本固定，從91 d一直持續到實驗結束變化較小。硬度的變化與總酸類似，第1階段下降明顯，第2階段基本保持在一個固定值。

圖2 不同生長期紅提總酸（a）和硬度（b）的變化Fig.2 Changes in total acidity (a) and firmness (b) of red globe grapes at different growth stages

從圖3可以看出，所有紅提樣品的光譜都呈現出相同的變化趨勢，在450～550 nm區間內曲線平滑，吸光度變化較小，550 nm之后反射強度快速升高，725～820 nm波長光強度較高但變化較小。

圖3 原始光譜Fig.3 Original spectra of red globe grapes

由表1可知，對于總酸指標，原始光譜經過多元散射校正（multivariate scatter correction，MSC）預處理后所建PLSR模型的校正集相關系數（Rc）和預測集相關系數（Rp）分別為0.9817、0.9804，都高于其他預處理方法后所建模型，RMSEC和RMSEP較小，表明其他的預處理方法與原始光譜經過MSC預處理后所建模型相比并未提高模型預測精度，且原始光譜與其他預處理方法所建模型的預測集相關系數明顯低于經過MSC預處理所建模型。因此，對于總酸，選取經過MSC預處理后的光譜進行特征波長提取和建模分析。

表1 采用不同預處理方法的全波長PLSR預測模型Table 1 Performance of full-wavelength PLSR prediction models using different preprocessing methods

對于硬度指標，原始光譜進行SG預處理后所建PLSR模型建立模型的Rc和Rp分別為0.9287、0.9188，都高于其他預處理方法后所建模型，RMSEC和RMSEP較小，分別為8.2339和7.4521。表明原始光譜進行SG預處理后的光譜數據建立的PLSR模型取得了最佳效果。對于硬度，選取經過SG預處理后的光譜進行特征波長提取和建模分析。

2.2 樣本集的劃分

實驗中總酸和硬度各采集了360 個樣本，按照3∶1比例利用KS算法劃分為270 個校正集樣品，90 個預測集樣品。由表2可以看出，總酸含量分布范圍為2.254～37.663 g/kg，校正集和預測集的平均值分別為11.283、6.575 g/kg；硬度分布范圍為9.414～121.305 N，校正集和預測集的平均值分別為34.061、30.651 N。通過KS法所劃分指標的校正集的分布范圍比預測集的分布范圍更廣，證明所挑選出來的校正集樣品具有代表性。

表2 生長期紅提樣品利用KS算法劃分樣品集的數據統計Table 2 Statistics of total acidity and firmness of sample sets divided by KS algorithm

2.3 特征波長提取

2.3.1 GA提取特征波長

KS劃分后的經過預處理的原始光譜通過GA優選出波長序列分別建立紅提總酸和硬度的PLSR模型。以利用GA提取特征波長建立紅提總酸PLSR模型為例，在GA運算過程中，設定初始群體為30，交叉率為50%，變異率為1%，迭代次數為100，以最小的RMSECV為標準，篩選出波長點在迭代過程中出現頻次較多的波長點為最優波長點；經過20 次隨機搜索后，最終選定特征波長點為48 個，如圖4所示。

圖4 基于GA算法的紅提總酸特征波長選取圖Fig.4 Characteristic wavelength selection for total acidity of red globe grapes based on GA algorithm

2.3.2 SPA提取特征波長

KS劃分后的經過預處理的原始光譜通過SPA優選出波長序列分別建立紅提總酸和硬度的PLSR模型。以利用SPA提取特征波長建立紅提硬度PLSR模型為例，根據SPA的原理，利用均方根誤差（root mean square error，RMSE）決定所建模型的優劣，RMSE越小模型的穩定性越好、精度越高。RMSE值隨著波長個數的變化，會不斷的波動，如圖5a所示，當變量個數為8時，RMSE最小為7.99；在原始光譜中所選特征波長位置如圖5b所示。

圖5 基于SPA算法的紅提硬度特征波長選取圖Fig.5 Characteristic wavelength selection for firmness of red globe grapes based on SPA algorithm

2.3.3 CARS提取特征波長

KS劃分后的經過預處理的原始光譜通過CARS優選出波長序列分別建立紅提總酸和硬度的PLSR模型。以利用CARS提取特征波長建立紅提總酸PLSR模型為例，本研究設定蒙特卡羅采樣為50 次，采用5 折交叉驗證法。由圖6可知，取采樣50 次所建立的PLSR模型中所對應的最小MSECV作為最優結果，由圖6b可知，當RMSECV達到最小值時，各變量的回歸系數位于圖6c中豎直線位置，采樣運行28 次。

圖6 基于CARS算法的紅提總酸特征波長選取圖Fig.6 Characteristic wavelength selection for total acidity of red globe grapes based on CARS algorithm

2.3.4 UVE提取特征波長

KS劃分后的經過預處理的原始光譜通過UVE優選出波長序列分別建立紅提總酸和硬度的PLSR模型。以利用UVE提取特征波長建立紅提硬度PLSR模型為例，應用UVE對光譜數據進行有效信息提取，設定噪聲矩陣處最大穩定性絕對值的99%作為剔除閾值，圖像黃色曲線代表光譜變量的穩定性值，紅色曲線代表噪聲變量的穩定性值，兩水平虛線為變量的選擇閾值（±46.41），虛線內部的為無用信息被消除，外部的為有用信息，選取結果如圖7所示，所對應的波長為選擇的特征波長。通過UVE共選擇177 個特征波長。

圖7 基于UVE算法的紅提硬度特征波長選取圖Fig.7 Characteristic wavelength selection for firmness of red globe grapes based on UVE algorithm

由表3可知，原始光譜經過MSC預處理建立的總酸PLSR模型的校正集相關系數與預測集相關系數相差不大，但建模所用的特征波長數量較多，需要進行特征波長的提取進一步提高模型的穩定性和預測性能。采用不同的特征提取方法，根據最優的波段組合分別建立PLSR模型，UVE算法提取的波段與經過CARS、GA和SPA算法提取的特征波長相比，所提取的波長個數較多，UVE提取特征波長的數量為298，占原始光譜數量的67.882%，預測集的相關系數為0.9794。通過CARS和SPA一次波段提取算法，所建模型的校正集和預測集的相關系數都小于原始光譜所建模型的相關系數，模型雖然大大簡化，但模型的預測性能有所降低。經過UVE-SPA二次波段提取后，模型的波段數量進一步減小，模型進一步簡化，但模型的穩定性和預測效果有所減小，不適合總酸模型的建立。經過CARS-SPA二次特征波段提取后，模型的校正集相關系數和RMSEC分別為0.9871、1.6623，預測集的相關系數和RMSEP為0.9851、1.3482，殘差預測偏差（residual predictive deviation，RPD）為5.6643，模型的預測性能顯著提高，提取的特征波長數量為10，占原始光譜數量的2.278%，與通過其他算法處理相比，得到的特征波段最少，大大簡化了模型。

表3 基于不同特征波長提取方法建立的PLSR模型效果Table 3 erformance of PLSR models based on different feature wavelength extraction methods

原始光譜經過SG預處理建立的硬度指標的PLSR模型的校正集相關系數與預測集相關系數較小，需要進行特征波長的提取進一步提高模型的穩定性和預測性能。采用不同的特征提取方法，根據最優的波段組合分別建立PLSR模型，UVE算法提取的波段與經過CARS、GA和SPA算法提取的特征波長相比，所提取的波長個數較多，UVE提取特征波長的數量為177，占原始光譜數量的40.319%，預測集的相關系數為0.9059，低于通過CARS算法提取特征后所建立的模型。通過SPA、GA和UVE一次波段提取算法，所建模型的校正集和預測集的相關系數都小于原始光譜經過SG預處理所建模型的相關系數，模型雖然大大簡化，但模型的預測性能有所降低。經過CARS-SPA二次波段提取后，模型的波段數量進一步減小，模型進一步簡化，但模型的穩定性和預測效果沒有明顯改善，不適合硬度指標模型的建立。經過CARS特征波段提取后，模型的校正集相關系數和RMSEC分別為0.9314、8.8040，預測集相關系數和RMSEP為0.9291、7.9354，RPD為2.5108，模型的預測性能顯著提高，提取的特征波長數量為35，占原始光譜數量的7.973%，大大簡化了模型。

2.4 模型的建立與結果比較

分別利用最優特征波長組合建立紅提總酸和硬度的最佳PLSR模型，訓練集和預測集樣本的預測值和理化測量值之間的散點圖如圖8所示。

圖8 基于最優特征波長組合建立的紅提總酸和硬度的PLSR模型Fig.8 PLSR models for total acidity and firmness based on optimal combination of characteristic wavelengths of red globe grape

由圖8可知，所建立的紅提總酸和硬度的最優PLSR模型的校正集相關系數Rc分別為0.9871、0.9314，RMSEC為1.6623、8.8040；預測集相關系數Rp分別為0.9851、0.9291，RMSEP為1.3482、7.9354，模型的RPD分別為5.6643、2.5108，均大于2.5，表明預測效果較好，兩者的預測性能都滿足精度的要求。

進行特征波長提取后，所建紅提果粒總酸和硬度指標的最優模型最優特征波長如表4所示。

表4 紅提總酸和硬度的PLSR預測模型的最優特征波點列表Table 4 List of optimal characteristic wavelengths for the establishment of PLSR prediction models for total acidity and hardness of red globe grapes

基于光譜信息建立的紅提總酸和硬度的PLSR預測模型的最優特征波點所建方程：

式中：Y總酸為總酸的預測值；Y硬度為硬度的預測值；λi為特征波長處的反射率（下標i表示波長/nm）。

2.5 紅提果粒總酸與硬度的分布

利用高光譜圖像采集系統，分別采集生長期紅提果粒的高光譜圖像信息，采集的高光譜原始圖像如圖9a所示，該圖像中包含15 粒紅提果粒。選取其中的一次高光譜采集圖像，首先分割出每粒紅提的圖像，利用Matlab 2017a編程提取高光譜圖像中每一個像素點的光譜信息，根據MSC-CARS-SPA-PLSR模型計算出各個像素點的紅提果粒總酸分布圖，如圖9b所示。圖中藍色代表總酸的最低值0 g/kg，紅色代表總酸的最高值3 g/kg，從藍色到紅色代表總酸逐漸上升。通過可視化可以清晰的明確紅提總酸的分布規律，由圖9b可知，1、2、10、11、12、13號紅提果粒為深紅色，果實相對成熟，通過總酸的偽彩色圖像可視化分布可知紅色像素點相對較少，表明總酸的含量較低，3、4、5、6號紅提果粒顏色較綠，果實相對不成熟，通過總酸的偽彩色圖像可視化分布可知紅色像素點相對較多，表明總酸的含量較高，總酸含量較高，表明隨著果粒的逐漸成熟，總酸的含量降低，與實際的化學實驗結果相一致[10]，從而證明了紅提果粒總酸可視化的正確性。對單個的果粒進行分析，紅提中間位置的總酸含量相對較高，可能與內部的紅提果核有關，表皮附近的總酸含量相對較少。

利用高光譜圖像采集系統，分別采集生長期紅提果粒的高光譜圖像信息，選取其中的一次高光譜采集圖像，首先分割出每粒紅提的圖像，利用Matlab 2017a編程提取高光譜圖像中每一個像素點的光譜信息，根據SG-CARS-PLSR模型計算出各個像素點的紅提果粒硬度分布圖，如圖9c所示。圖中藍色代表硬度的最低值5 N，紅色代表硬度的最高值為30 N，從藍色到紅色代表硬度逐漸上升。通過可視化可以清晰的明確紅提硬度的分布規律，由圖9c可知，1、2、11、12號紅提果粒為深紅色，果實相對成熟，通過硬度的偽彩色圖像可視化分布可知紅色像素點相對較少，表明硬度的含量較低，3、4、5、9、15號紅提果粒顏色較綠，果實相對不成熟，通過硬度的偽彩色圖像可視化分布可知紅色像素點相對較多，表明硬度的含量較高，硬度較高，6號紅提果粒雖然顏色較輕，但果實較軟，因此硬度值較低；表明隨著果粒的逐漸成熟，硬度降低，與實際實驗結果一致[10]，從而證明了紅提果粒硬度可視化的正確性。對每個紅提果粒進行分析可知，在6、7、11、12號紅提果粒中紅提果柄側及中間位置的紅色區域面積相對果柄另外一側較多，表明果柄側及中間位置硬度含量相對較高，也與實際情況中果柄側顏色相對較青一致。

圖9 紅提果粒總酸和硬度的分布可視化圖Fig.9 Visualization of distribution of total acidity and firmness of red globe grapes

3 討論與結論

本研究為盡量消除中心反光的問題，采用了2 種方法：第1種方法：選用4 個環繞鹵素燈光源進行照射，并不斷優化4 個鹵素燈的位置和照射角度，使盡量避免中心反光的問題；第2種方法：在進行建模時，選擇應用SG等光譜預處理在一定程度上可消除中間位置反光等干擾信息的影響。紅提果粒成球形，每個果粒都會在果粒中心位置因球形的果粒外形產生反光區域，中間反光的影響依然存在，但中心反光區域的面積較小，整體對果粒的影響有限，光譜曲線雖然會應反光使中心位置的光譜強度增強，但是光譜曲線吸收等位置的特性與其中內部氫鍵有關，在該反光區域實現了反射率的擴大使中間反射光的部位的確有更高的反射率，導致中間位置在高光譜可視化時候造成一定的影響。使在可視化時中間反光區域位置的總酸和硬度預測值較高，后期將不斷對所采集原始光譜的光照反射率進行調整和優化，后期在本研究基礎上將根據反射光強度變化程度，對采集的反射光譜數據進行相應的縮減，以進一步減小反光的影響。

以可高光譜成像技術為主要技術手段，以生長期的紅提果粒為研究對象，采集紅提果粒高光譜信息構建了紅提果粒總酸和硬度檢測模型，通過比較分析，得到紅提果粒總酸和硬度的最優預測模型，并通過偽彩色圖像實現紅提果粒總酸和硬度的可視化分布。主要結論如下：

紅提果粒總酸的最佳模型為通過二次波段提取的方法，紅提果粒硬度的最佳模型為通過一次波段提取的方法。對生長期內的紅提果粒進行建模分析，深入分析不同檢測方法對各指標的預測優劣，得到最佳預測模型：總酸的最優檢測模型為MSC-CARS-SPA-PLSR，其預測集相關系數Rp和RMSEP分別為0.9851、1.3482，RPD為5.6643；硬度的最優檢測模型為SG-CARS-PLSR模型，其預測集相關系數Rp和RMSEP分別為0.9291、7.9354，RPD為2.5108。分別利用MSC-CARS-SPA-PLSR、SGCARS-PLSR預測模型計算出高光譜圖像中每個像素點的紅提果粒的總酸和硬度值，結合偽彩色圖像處理技術得到可視化分布圖，結果表明采用高光譜成像技術可以實現紅提果粒總酸和硬度的分布可視化，為直觀監測紅提果粒生長狀態及成熟度判別提供可靠的理論依據。